视频船舶监测对提高内河航运效率、保障航运安全具有重要作用，然而水面存在波光、倒影，干扰严重，传统的背景建模算法误检较多，影响后续的标定、统计。加之船舶违章停靠影响正常通航，扰乱交通秩序，带来安全隐患。为此，依托船联网国家专项，论文展开了对船舶视频监测预警的研究，其具有重要的理论意义和应用价值。　　论文描述了国内外船舶检测研究现状，分析对比了几种常用目标提取算法，阐述了背景建模提取船舶的原理，给出了数学形态学优化前景轮廓的后处理方法，提出了一种基于S-SIFT特征去除误判的船舶检测方法;分析了背景建模算法检测违停存在的缺陷，给出了一种采用卷积神经网络的优化算法;研究了甚高速区域卷积神经网络Faster R-CNN算法原理，对比了同场景下其与背景建模算法的目标检测结果，验证了Faster R-CNN检测视频船舶的可行性。　　针对背景建模算法检测船舶目标存在的不足，论文给出了数学形态学优化和S-SIFT特征检测两种后处理方法。设计形态学结构元素，对检测二值图像执行腐蚀膨胀等形态学处理，消除部分噪点，填充船舶空洞区域，获得更为完整的船舶轮廓。提取目标图像关键点的SIFT特征向量，再经训练获得编码字典和S-SIFT特征，得到更深层次图像特征，最后用线性支持向量机实现S-SIFT特征分类，去除误判结果，提高了船舶目标检测的准确率，同时保证了算法的实时性。　　针对背景建模算法检测违停存在的缺陷，论文给出了一种基于卷积神经网络的优化方法。用船舶图像和禁停区域背景图像作为训练集，训练一个卷积神经网络模型，包括五个卷积层和两个全连接层，对最后一层全连接输出的特征分类，持续监测背景建模检测到的疑似违停目标，解决了船舶长时间停靠融入背景和违停船舶驶离时的“鬼影”问题。　　针对帧间像素解析提取目标存在的分体、漏检问题，论文以深度学习理论为基础，给出了一种采用Faster R-CNN的船舶检测方法。构造并训练候选区域网络，用滑动窗口结合锚点矩形框提取卷积层输出特征图上的感兴趣区域，将其作为分类层的输入，获得船舶目标。对比基于帧间像素解析的背景建模方式，该方法具有更好地局部目标检测能力和相邻目标区分能力，解决了检测分体问题。　　论文创新点和特点在于:　　提出了S-SIFT特征模型，去除了背景建模算法的误检结果，提高了船舶目标检测精度;　　优化了基于背景建模的违停检测算法，用卷积神经网络区分船舶与非船，解决了静止船舶融入背景和船舶离开时的“鬼影”问题;　　给出了一种采用Faster R-CNN的视频船舶检测方法，解决了目标分体问题，抑制了相邻目标融合。